O czym jest ten film
- Start z lokalnym AI bywa przytłaczający, ale najnowsza aktualizacja agenta Hermes ma to zmienić: instalacja i uruchomienie lokalnych modeli jednym kliknięciem.
- Hermes to agent od firmy z ruchu open source, która trenuje modele, buduje agentów i rozwija infrastrukturę „otwartej inteligencji”.
- Największy atut: agent rośnie razem z użytkownikiem — ma trwałą pamięć projektów, sam tworzy umiejętności i przepływy pracy oraz zapamiętuje, jak rozwiązał dane zadanie.
- Instalacja na Windows trwa 4–5 minut: najpierw sam agent, potem aplikacja desktopowa; przy pierwszym uruchomieniu system zapyta o dostęp sieci.
- Nowy system wdrożenia napędza wbudowany, darmowy model próbny; można go pominąć albo zainstalować Hermesa całkowicie offline.
- Hermes potrafi sam wyjaśnić, jak działa — na prośbę autora wygenerował animowany przewodnik HTML, pokazując po drodze „pętlę agenta”.
- Silnik inferencyjny (llama.cpp) instaluje się dziś bezpośrednio w Hermes w kilka sekund — koniec z ręcznym łączeniem z Ollamą; modele pobiera się z Hugging Face.
- Dobór modelu to kwestia rozmiaru, kwantyzacji („Q”) i liczby aktywnych parametrów (np. A3B); Gemma 4 12B w wersji Q6 (9 GB) wejdzie nawet na 16 GB RAM.
- Autorska demonstracja pamięci trwałej: Hermes zapisuje preferencje i projekty, a w nowej sesji przywołuje je z „pamięci profilu”.
- Przegląd dalszej drogi: zewnętrzni dostawcy pamięci (Hindsight, Honcho), piaskownica Docker, komunikatory (Telegram, Discord, Slack), profile/boty i wspólna pamięć wielu agentów.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zacznij od wbudowanego modelu próbnego — albo od razu w pełni lokalnie
Na czym polega: Najnowszy Hermes ma system wdrożenia napędzany darmowym modelem wbudowanym w aplikację; pomaga on przejść konfigurację, zanim podłączysz własne modele. Istnieją też warianty instalacji całkowicie pomijające połączenie z chmurą producenta.
Jak stosować: Jeśli dopiero stawiasz kroki z agentami, przejdź wdrożenie na modelu próbnym i skorzystaj z podpowiadanych połączeń. Jeśli od pierwszej minuty zależy ci na pełnej lokalności — wybierz instalację offline. Do listy połączeń wrócisz w każdej chwili w sekcji „Możliwości → Konektory”.
Na co uważać: Rozmowy na modelu próbnym nie są lokalne — to ograniczony, zewnętrzny serwis, a nie docelowe środowisko pracy.
2.Poproś agenta, żeby wytłumaczył ci samego siebie
Na czym polega: Na prośbę „wyjaśnij, jak działa Hermes” agent sam zakodował animowany przewodnik (plik HTML), korzystając po drodze z terminala, internetu i umiejętności, a gotowy efekt wpuścił z powrotem do rozmowy. Ten cykl to właśnie „pętla agenta”.
Jak stosować: Na starcie używaj wbudowanych podpowiedzi typu „wyjaśnij, jak to działa” i dopytuj o konkretne elementy — przewodnik da się doprecyzowywać kolejnymi poleceniami („wygląda dobrze / co zmienić / rozwiń”).
Na co uważać: Takie generowanie potrafi pochłonąć sporo tokenów, a na modelu lokalnym trwa wyraźnie dłużej niż w chmurze. Zużycie widać na dolnym pasku.
3.Model i silnik to dwie osobne rzeczy
Na czym polega: Pobranie modelu to dopiero połowa drogi — żeby go uruchomić, trzeba silnika inferencyjnego. Kiedyś konfigurowało się go ręcznie (np. z Ollamą) i samemu łączyło z Hermesem; dziś przycisk „zainstaluj środowisko uruchomieniowe” wgrywa llama.cpp wprost do aplikacji w kilka sekund.
Jak stosować: W Ustawieniach → Dostawcy → Modele lokalne najpierw zainstaluj silnik, potem wybierz model z listy. Analizę „co zmieści się na tym sprzęcie” Hermes robi za ciebie.
Na co uważać: Jeśli chcesz precyzyjnej kontroli nad wariantami modeli, alternatywą pozostają Ollama, LM Studio czy Lemonade — ale wtedy łączysz się przez własny punkt końcowy i ustawiasz więcej ręcznie.
4.Dopasuj rozmiar modelu do pamięci — z zapasem na kontekst
Na czym polega: Model musi zmieścić się w pamięci (RAM/VRAM) razem z kontekstem rozmowy. Przy 16 GB RAM nie uruchomisz modelu ważącego 22 GB; nawet przy 64 GB pamięci zunifikowanej autor wybiera coś mniejszego, z marginesem.
Jak stosować: Sprawdź łączną dostępną pamięć, a potem szukaj modeli wyraźnie mniejszych od niej — zapas pozwoli agentowi „pamiętać”, o czym rozmawiacie, gdy kontekst się zapełnia.
Na co uważać: Przepełniony RAM spowalnia system drastycznie. Pierwsze zapytanie po włączeniu modelu bywa powolne, bo sieć dopiero ładuje się do pamięci (u autora w trakcie ładowania było już 11 GB).
5.Kwantyzacja i aktywne parametry: duży model na małym sprzęcie
Na czym polega: Litera „Q” w nazwie oznacza kwantyzację, czyli kompresję modelu. Gemma 4 12B w pełnej wersji waży 22 GB, ale wariant Q6 tylko 9 GB — wejdzie nawet na 16 GB RAM. Oznaczenia typu „A3B” mówią, że z wielomiliardowego modelu aktywowanych jest naraz tylko kilka miliardów parametrów.
Jak stosować: Na Hugging Face (skąd Hermes pobiera modele) wybieraj wariant o kwantyzacji adekwatnej do pamięci; przy słabszym sprzęcie rozważ modele o małej liczbie aktywnych parametrów, np. 26B A4B.
Na co uważać: Mocniejsza kompresja zwykle oznacza nieco gorszą jakość odpowiedzi. Decyduje suma: rozmiar modelu plus zapas na kontekst — nie sam parametr „miliardów”.
6.Pamięć trwała to twój atut przy słabszych modelach
Na czym polega: Wbudowana pamięć Hermesa zapisuje projekty i preferencje („zapamiętaj, że wolę krótkie, konkretne odpowiedzi”) i przywołuje je w kolejnych sesjach. Dzięki temu nawet słabszy model lokalny z czasem robi się skuteczniejszy w twoim konkretnym zastosowaniu.
Jak stosować: Od pierwszej rozmowy mów wprost, co ma zostać zapamiętane: projekty, styl pracy, sposób komunikacji. Potem testuj w nowych sesjach, czy agent pamięta („nad jakim projektem pracuję?”).
Na co uważać: W ustawieniach „Pamięć i kontekst” sprawdź, czy trwała pamięć i profil użytkownika są włączone. Pamięć zapisuje to, co powiesz — warto ją od czasu do czasu przejrzeć, żeby nie kumulować nieścisłości.
7.Rozbuduj pamięć o zewnętrznych dostawców
Na czym polega: Do pamięci wbudowanej można podpiąć zewnętrznych dostawców — w materiale pokazano instalację Hindsight, wspomniano też o Honcho. Tworzą one pamięć operacyjną, wydobywającą kluczowe informacje z rozmów; razem z notatkami i historią czatu tworzą pełny zasób kontekstu.
Jak stosować: Ustawienia → pamięć → przeglądaj wtyczki → wyszukaj nazwę i zainstaluj jako dostawcę pamięci. Ta warstwa zdaje egzamin zwłaszcza przy dużej liczbie rozmów i notatek.
Na co uważać: To rozwinięcie, nie fundament — najpierw uruchom i przetestuj pamięć wbudowaną. Każda dodatkowa warstwa to dodatkowa złożoność.
8.Zamknij terminal agenta w piaskownicy
Na czym polega: Agent wykonuje kod na twoim komputerze. Ustawienie „środowisko wykonawcze terminala” pozwala przenieść je do Dockera — kontenera odseparowanego od systemu — co chroni resztę maszyny, gdyby agent wymknął się spod kontroli albo padł ofiarą ataku.
Jak stosować: Ustawienia → Zaawansowane → środowisko wykonawcze terminala → Docker. Zrób to, zanim zaczniesz dawać agentowi szerokie uprawnienia i automatyzacje.
Na co uważać: Piaskownica chroni system, ale nie zatrzymuje ruchu sieciowego — gdy agent korzysta z przeglądarki lub narzędzi online, dane i tak opuszczają komputer.
9.Lokalny model to nie automatyczna prywatność
Na czym polega: Rozmowy z modelem lokalnym zostają na twoim komputerze — idealne do prywatnych notatek czy wrażliwych danych firmowych. Ale przeglądarka, konektory i zewnętrzne narzędzia przywracają przepływ danych na zewnątrz.
Jak stosować: Przemyśl architekturę pracy: zadania wrażliwe wykonuj z wyłączonymi narzędziami sieciowymi, a dostęp agenta do notatek i plików świadomie ograniczaj (jak w integracjach z Obsidianem).
Na co uważać: Podłączane konektory potrafią mieć domyślnie szeroki zakres uprawnień — przeglądaj je z głową.
10.Zaprojektuj architekturę: profile, komunikatory, wspólna pamięć
Na czym polega: Hermes pozwala tworzyć profile (boty) z osobnymi modelami i narzędziami — np. agenta-badacza; podłączyć bramki komunikacyjne (Telegram, Discord, Slack), by agent działał na twoim komputerze, a ty rozmawiał z nim z dowolnego urządzenia; a nawet podpiąć tę samą pamięć do wielu narzędzi (Claude Code, Cursor, Codex) i porządkować agentów w przepływy z podagentami.
Jak stosować: Wdrażaj etapami: najpierw jeden profil z pamięcią i piaskownicą, potem komunikator, na końcu wiele botów i współdzielona pamięć. Playlista autora może posłużyć jako kolejność wdrożeń.
Na co uważać: Nie ma jednej idealnej konfiguracji — wszystko zależy od zastosowań. Buduj pod realny problem, nie pod samą liczbę podpiętych narzędzi.
Redakcyjne tłumaczenie
Cel: darmowe i prywatne AI na twoim komputerze
Udało się — Hermes jest skonfigurowany, działa za darmo, a wszystkie rozmowy zostają na moim komputerze. Tak wygląda punkt docelowy tego materiału. Dlaczego w ogóle warto do niego dojść?
Dla wielu osób start z lokalnym AI przypomina wejście do lasu bez mapy. Nowych elementów jest mnóstwo, a spinanie ich w działającą całość potrafi przyprawić o zawrót głowy. Mimo wszystko warto się przemóc: mieć własne AI — darmowe i prywatne, z pamięcią, która robi się lepsza z każdym użyciem — to zupełnie inne doświadczenie niż czat w chmurze. Najświeższa aktualizacja agenta Hermes odbiera większość strachu przed startem: lokalne modele instaluje się jednym kliknięciem, a samego Hermesa można poprosić o to, żeby nauczył cię jego obsługi. Na końcu tego poradnika na twoim komputerze będzie działał własny, darmowy i prywatny agent AI.
Plan materiału
Cześć, jestem Callum, w sieci znany jako Wanderloots. Przeprowadzę cię przez instalację Hermesa i jego wbudowane wdrożenie, dzięki któremu zrozumiesz, jak agent działa. Potem zajmiemy się lokalnymi modelami i przetestujemy całość. Na koniec dostaniesz mapę bardziej zaawansowanych funkcji i przepływów pracy, o których opowiadam na kanale — żebyś mógł wybrać, co zgłębić dalej. Zaczynamy.
Dlaczego Hermes: agent, który rośnie razem z tobą
Najmocniejszą kartą Hermesa jest to, że rośnie on razem z użytkownikiem. W praktyce oznacza to wbudowaną, trwałą pamięć: agent pamięta twoje projekty, sam tworzy własne umiejętności i schematy działań, a skoro raz rozwiąże jakiś problem — zapamiętuje, jak to zrobił, i następnym razem powtarza rozwiązanie. Można do niego podpiąć automatyzacje i rozmaite narzędzia (jeszcze do nich wrócę), a nawet kazać mu przeglądać internet i robić dla ciebie research — to mój główny sposób użycia. Da się go też zamknąć w wydzielonej piaskownicy, żeby chronić resztę komputera.
Hermes pochodzi od Nous Research*(Informacja dodatkowa: automatyczna transkrypcja zniekształca nazwę firmy — pada w niej m.in. „News Research” i „New Science Research”; niemal na pewno chodzi o Nous Research, znaną z rodziny otwartych modeli Hermes.)* — firmy działającej w ruchu open source: trenuje modele, buduje agentów i rozwija infrastrukturę, która ma przyspieszać światowe rozpowszechnianie otwartej inteligencji. Cała filozofia produktu podporządkowana jest lokalnym modelom i temu, żebyś miał jednego agenta, który w jednym miejscu spina twoje narzędzia, umiejętności, przepływy pracy i wspomnienia. Skoro tak — czas go zainstalować.
Instalacja na Windows
Pokazuję instalację na Windowsie. Klikam „Instaluj”. Kreater wypisuje wszystkie kroki: na komputer trafi najpierw sam agent, a następnie aplikacja desktopowa, przez którą będziesz z niego korzystać. Gotowe — u mnie całość zajęła jakieś cztery, pięć minut. Klikam „Uruchom”. Windows pyta o zezwolenie na dostęp aplikacji do sieci prywatnych; podobne pytanie może pojawić się też na Macu. Pozwalam, bo w jednym z przyszłych filmów pokażę, jak połączyć ten komputer z innym.
Pierwsze uruchomienie i nowy system wdrożenia
Przy pierwszym starcie widać nowość najnowszej wersji: system wdrożenia. Można go przejść albo pominąć. Najciekawsze, że napędza go darmowy model próbny wbudowany w Hermesa — jego zadaniem jest pomóc ci wszystko ustawić, zanim podłączysz resztę systemu. Chwila i… mamy to: Hermes skonfigurowany.
W ramach ostatniej aktualizacji doszło też coś w rodzaju powitalnego, ograniczonego trybu pracy: Hermes zerka na zainstalowane aplikacje i narzędzia deweloperskie, żeby podpowiadać przydatne połączenia, dopóki nie dodasz własnych modeli. Warto dodać, że istnieją inne sposoby instalacji, omijające połączenie z portalem producenta — wtedy Hermes od pierwszej sekundy działa w pełni lokalnie, i właśnie taki widok wam pokazuję. Jeśli jednak dopiero stawiasz pierwsze kroki z agentami, polecam zacząć od tego darmowego, podłączonego modelu, bo wyraźnie upraszcza start.
Hermes proponuje listę połączeń do zainstalowania; na razie je pomijam. W razie czego wrócisz do niej w każdej chwili w sekcji „Możliwości → Konektory”.
Szybka wycieczka po interfejsie
Do wyboru mam: pokaż wszystko, „zbudujmy coś” albo szybką wycieczkę. Wybieram wycieczkę. Jeśli nie czujesz się jeszcze swobodnie z agentami, to bardzo dobry sposób, żeby zobaczyć, jak elementy układają się w całość. Zresztą cała ścieżka wdrożenia poprawiła się wyraźnie od czasów, gdy sam po raz pierwszy instalowałem Hermesa.
Interfejs wygląda tak: po lewej sesje, czyli nasze rozmowy, niżej pole czatu, a pod nim wybór modelu z podpowiedzią: „Decyduje, który model ci odpowiada. Ten komputer może uruchomić model lokalnie — wejdź w Ustawienia → Dostawcy → Modele lokalne”. Klikam „Gotowe”, dostaję kolejne podpowiedzi i wybieram: „Wyjaśnij, jak działa Hermes”.
Przy okazji mała prośba: jeśli materiał ci pomaga, zostaw łapkę i subskrypcję — naprawdę to doceniam. Jeśli chcesz wspierać mnie mocniej, rozważ członkostwo na YouTube lub Patreonie; członkowie dostają analizy, wskazówki i gotowe zestawy dotyczące agentowego AI i systemów zarządzania wiedzą.
Agent, który sam tłumaczy, jak działa
Ledwie poprosiłem o wyjaśnienie, a Hermes zapowiedział, że zbuduje mały animowany przewodnik. W tym celu ładuje odpowiednie umiejętności — skonsolidowane, powtarzalne przepływy pracy, zgromadzone w sekcji „Możliwości”: obsługę samego agenta, umiejętność projektową Claude Design (tę, która pomaga agentowi lepiej ci pomagać) oraz obsługę biblioteki p5.js. Umiejętności to bardzo ważna część Hermesa i fajnie, że ich budowanie rusza już z ekranu powitalnego.
Po chwili przewodnik jest gotowy: animowana wizualizacja tego, co dzieje się za kulisami czatu. Model wykonuje polecenia w terminalu, pobiera dane z sieci, korzysta z umiejętności i tworzy graficzny przewodnik, który wraca do rozmowy jako wynik narzędzia i jest podawany dalej do konwersacji. Ten cykl — od polecenia, przez narzędzia, po wynik wplatający się z powrotem w rozmowę — nazywa się pętlą agenta. I o to chodzi: to my decydujemy, jaki model napędza pętlę; cała reszta to po prostu sposób, w jaki Hermes działa na tym modelu. Za chwilę ustawimy własny, całkowicie darmowy model lokalny, z pełnym dostępem do umiejętności i narzędzi Hermesa. Na dolnym pasku widać przy okazji, ile tokenów pochłania wygenerowanie takiego efektu.
Gotowe — mam spersonalizowany przewodnik „dla Calluma” o działaniu Hermesa. Kluczowy element całości to uczenie się: Hermes ma wbudowaną pamięć, a dokładniej dwa pliki pamięci, w których zapisuje, nad czym pracujesz i jak lubisz pracować. Umiejętności ładują się automatycznie, gdy stają się użyteczne — tym razem cztery: obsługa samego agenta, projektowanie, p5.js i jeszcze tzw. humanizer. Dalej można sięgać po bardziej złożone systemy: planować automatyzacje, podpinać narzędzia i systemy komunikacji, żeby pisać do Hermesa z innych urządzeń.
Szczerze? Efekt robi dobre wrażenie — a to przecież zwykły plik HTML, który Hermes sam zakodował, żeby mi wytłumaczyć własne działanie. Do przewodnika wraca się polem rozmowy: „wygląda dobrze”, „co zmienić”, „rozwiń” albo własna instrukcja. Chcesz zgłębić konkretny element — po prostu napisz, a Hermes zaktualizuje przewodnik. Klikam „wygląda dobrze” i to zamyka wdrożenie. Od teraz z każdym pytaniem wystarczy napisać do Hermesa.
Czas na własny model lokalny
Ledwie skończyłem, a Hermes sam podsuwa komunikat: „Ten komputer może uruchomić model lokalnie. Proponowany model: Qwen 3.6 35B z trzema miliardami aktywnych parametrów — 22 GB, zmieści się na twoim sprzęcie”. Jeśli się na to zdecydujesz, agent działa za darmo, a rozmowy zostają na komputerze. Logika jest naturalna: wdrożenie odbyło się na darmowym modelu dostarczonym przez producenta, więc teraz Hermes prowadzi cię ku modelowi lokalnemu.
Ja wolę jednak pokazać wam, jak to działa od środka, zamiast klikać od razu proponowaną pozycję. Zamykam okno. Pojawia się możliwość kontynuowania na koncie u producenta — płatnym, dającym dostęp do Claude, ChatGPT, Gemini i innych czołowych modeli. Klikam „nie teraz”.
Dostawcy, punkty końcowe i silnik inferencyjny
Wchodzimy w Ustawienia, po lewej w zakładkę „Dostawcy”. Tu podłączysz model chmurowy — na przykład subskrypcję ChatGPT lub Codex; płatnych usług jest sporo. Możesz też zdefiniować własny punkt końcowy: uruchomić model na innym urządzeniu albo na tym komputerze w narzędziu takim jak Ollama, LM Studio czy Lemonade (o nich za chwilę) i połączyć się z nim bezpośrednio. A jest jeszcze sekcja modeli lokalnych.
Jedna z moich ulubionych niedawnych zmian w Hermesie: własny model lokalny ustawia się teraz ekspresowo. Hermes sam proponuje Qwen 3.6 35B A3B — jego zdaniem najlepszy wybór dla mojego sprzętu. Przycisk „pozwól mi wybrać” otwiera pełną listę modeli z podpowiedziami, co zmieści się na urządzeniu; całą tę analizę Hermes robi za ciebie. Ale sam plik modelu to dopiero połowa sprawy.
Potrzebne jest bowiem także lokalne środowisko uruchomieniowe — tzw. silnik inferencyjny — czyli coś, co model faktycznie „włączy” i połączy z Hermesem. Kiedyś, jak pokazuję w materiale o uruchamianiu agentowego AI z Ollamą, trzeba było samemu zainstalować silnik, pobrać model i ręcznie spiąć go z Hermesem. Dziś wystarczy kliknąć „zainstaluj środowisko uruchomieniowe” i llama.cpp ląduje wprost w aplikacji. U mnie trwało to jakieś trzy sekundy.
Dobór modelu do pamięci: rozmiar, kwantyzacja, aktywne parametry
Teraz wybieramy model. Dokładne porównanie wariantów zostawiam na następne wideo — przetestuję tam różne klasy modeli pod kątem zastosowań i komputerów, a także pokażę, jak przypisać osobne modele różnym botom i profilom, żeby każdy typ zadań (na przykład research albo praca bibliotekarza) miał swoją dedykowaną moc. Na dziś jedna zasada: model musi zmieścić się w pamięci karty graficznej. Jeśli masz 16 GB RAM, model ważący 22 GB po prostu się nie zmieści. Ja mam 64 GB pamięci zunifikowanej — wspólnej dla GPU i RAM — ale i tak szukam czegoś mniejszego, z zapasem na kontekst rozmowy. Jeśli to brzmi zbyt technicznie, spokojnie: sedno jest proste. Potrzebujemy modelu mniejszego niż dostępna pamięć, plus marginesu.
Wyszukiwarka pobiera modele wprost z Hugging Face*(Informacja dodatkowa: Hugging Face to największy otwarty katalog modeli AI; publikuje się tam m.in. skompresowane, kwantyzowane warianty popularnych modeli.)*. Wpisuję „Gemma 4” i klikam podgląd — to jeden z najpopularniejszych modeli, 1,6 miliona pobrań. Pełna Gemma 4 o 12 miliardach parametrów mieści mi się w całości w pamięci karty, ale waży 22 GB. I tu wchodzi kwantyzacja — litera „Q” w nazwie. To forma kompresji: pełnej wersji nie pociągniesz, ale wariant Q6 zajmuje tylko 9 GB i wejdzie nawet na maszynie z 16 GB RAM. Opcji jest mnóstwo. Inna popularna propozycja to Gemma 4 26B A4B: model 26-miliardowy, ale w danym momencie aktywowanych jest tylko 4 miliardy parametrów. Też bardzo popularny, choć odrobinę większy — u mnie się mieści. Krótko mówiąc, trzeba odrobinę porównać, który wariant pasuje do twojego komputera, RAM-u i pamięci graficznej. Ja zaczynam pobieranie większego, a przy okazji wybieram mniejszy, który powinien wejść na sprzęcie z 16 GB.
Włączamy model i prowadzimy pierwszą rozmowę
Pobieranie zakończone. Mamy więc silnik oraz model gotowy do uruchomienia. W sekcji lokalnego środowiska klikam „Włącz” — silnik rusza. Następnie „Użyj” i świeżo zainstalowany model staje się domyślny; przy okazji można wybrać poziom rozumowania. Piszę: „Cześć, kim jesteś?”.
Model ładuje się teraz do pamięci — to może chwilę potrwać, zależnie od rozmiaru; po załadowaniu będzie działał w tle. Na dolnym pasku widać, że do RAM-u trafiło już 11 GB modelu. I tu przestroga: jeśli przeładujesz pamięć, wszystko zwolni drastycznie.
Odpowiedź: „Jestem agentem Hermes zbudowanym przez Nous Research”. Rozmawiam z agentem napędzanym w całości lokalnie — wszystko działa na modelu, który sam zainstalowałem. Tak, bywa, że jest trochę, a czasem dużo wolniejszy od modeli z absolutnej czołówki, jak Claude czy ChatGPT. Ale u mnie leci całkiem żwawo — średnio trzynaście tokenów na sekundę, co zresztą widać na dolnym pasku. Mniejsze modele chodzą szybciej, a różne kwantyzacje zmieniają i tempo, i możliwości. Mamy właśnie na ekranie listę wszystkiego, czego Hermes potrafi.
Lokalnie, ale z głową: o prywatności
System działa — teraz ty decydujesz, do czego go użyjesz. Może do odpowiadania na pytania o prywatne notatki, może do analizy wrażliwych danych firmowych — wszystko na twoim komputerze, bez wysyłania czegokolwiek na zewnątrz. Jedno zastrzeżenie: jeśli agent korzysta z przeglądarki albo podłączonych narzędzi zewnętrznych, dane i tak wpływają i wypływają z maszyny. To ty projektujesz swój sposób pracy z lokalnym agentem.
Pamięć, która uczy się wraz z tobą
Zanim przejdziemy do zaawansowanych zastosowań i ważnych ustawień, pokażę szybko, jak działa pamięć. Piszę: „Zapamiętaj proszę kilka rzeczy o tym, jak lubię pracować: tworzę serię tutoriali na YouTube i wolę krótkie, konkretne, pragmatyczne odpowiedzi”. Hermes reaguje natychmiast: „Zapiszę to do pamięci”.
I to jest moment, w którym system samouczenia Hermesa wchodzi do gry — moment, w którym agent naprawdę zaczyna rosnąć razem z tobą. Hermes pamięta rzeczy na bieżąco: kolejne projekty, twoje sposoby komunikacji — wszystko ląduje w pamięci. Ma to istotną konsekwencję: nawet słabszemu modelowi możesz z czasem dodać skuteczności w twoim konkretnym zastosowaniu, po prostu gromadząc kolejne wspomnienia. Tworzysz w ten sposób rodzaj rozszerzenia samego siebie, zapisanego w odrębnej pamięci, którą można podpiąć do dowolnego modelu.
Sprawdźmy. Otwieram nową sesję i pytam: „Nad jakim projektem pracuję?”. Odpowiedź: „Zgodnie z twoją pamięcią profilu pracujesz nad serią tutoriali, które uczą ludzi, jak działają agenci AI”. Prosty przykład — ale takich wspomnień będzie przybywać, a to dopiero wbudowany system pamięci. Przed nami bardziej rozbudowane przepływy.
Ustawienia, które warto sprawdzić
W ustawieniach jest kilka rzeczy, które gorąco polecam przejrzeć. Pierwsza: „Pamięć i kontekst”. Upewnij się, że trwała pamięć i profil użytkownika są włączone. Możesz też podłączyć zewnętrznych dostawców pamięci — obecnie w formie wtyczek. W wyszukiwarce wtyczek wystarczy wpisać na przykład „Hindsight” i zainstalować go jako dostawcę pamięci; druga opcja to Honcho. Takie rozwiązania dają agentowi większe możliwości w dłuższej perspektywie i są naprawdę ważnym elementem architektury.
Druga sprawa: w sekcji „Zaawansowane” znajdziesz opcję ustawienia środowiska wykonawczego terminala — czyli miejsca, w którym agent uruchamia kod. Można je przenieść na przykład do Dockera, co ochroni resztę komputera, gdyby agent wymknął się spod kontroli albo został zhakowany.
A to wciąż nie wszystko. Do Hermesa można podpiąć model chmurowy i swobodnie przełączać się między chmurą a lokalnie w trakcie rozmów. Można podłączyć bramkę komunikacyjną — Telegram, Discord, Slack — tak, że agent działa na twoim komputerze, a ty piszesz do niego skądinąd. Można wreszcie tworzyć profile z osobną konfiguracją — na przykład agenta-badacza o ustawieniach niezależnych od profilu domyślnego. To bliski kuzyn trybu botów, czyli sposobu na to, by kilka botów komunikowało się ze sobą.
Co dalej: mapa zaawansowanych funkcji
Ludzie często pytają mnie o „idealną konfigurację”. Odpowiedź zawsze brzmi: to zależy. Każdy ma inne zastosowania, inny kontekst, inne narzędzia i połączenia. Wiele z tych funkcji opisałem już na kanale, więc zamiast jednej recepty daję wam mapę moich ulubionych możliwości — wybierzcie z niej to, co ważne dla was.
Dzisiejsze wideo to przegląd podstaw, ale jeśli chcesz zgłębić fundamenty, na kanale znajdziesz kompletny przepływ łączący Hermesa z Telegramem w codzienny przegląd wiadomości. Jeśli wolisz uruchamiać własny model przez Ollamę — daje to łatwiejszą kontrolę nad wariantami — pokażę, jak spiąć takie agentowe AI z Hermesem; w następnym filmie zrobię to samo z innymi narzędziami.
Nie do przecenienia jest możliwość zamknięcia agenta w kontenerze, czyli piaskownicy, chroniącej resztę komputera przed błędami i złośliwym działaniem — do tego właśnie służy Docker.
Potem wchodzi temat kontekstu: to on personalizuje agenta z czasem i jest kluczem do tego, żeby robił dokładnie to, czego chcesz. Kontekst możesz budować choćby w Obsidianie, jako wiki, w którym agent gromadzi wiedzę o świecie. Przy modelu lokalnym masz pewność, że rozmowy z notatkami zostają na twoim komputerze — chyba że sam wyślesz je dalej. Są też inne sposoby połączenia Hermesa z Obsidianem, na przykład ograniczanie tego, do jakich notatek i plików agent ma dostęp; to ważne, a przy okazji również opiera się na Dockerze. Można nawet wpleść człowieka w proces — tak działa mój agentowy bibliotekarz, który przed dodaniem czegokolwiek do biblioteki pokazuje stronę przeglądu do akceptacji.
Gdy chce się wejść na wyższy poziom, dochodzą zewnętrzni dostawcy pamięci, jak Hindsight czy Honcho. Tworzą one pamięć operacyjną, pozwalającą agentowi wydobywać kluczowe informacje z rozmów. Razem z Obsidianem, historią czatu i dostawcami pamięci dostajesz kompletny zasób kontekstu — o tym opowiadam w materiale o ulepszonej pamięci AI. Tę samą pamięć można podłączyć do wielu agentów naraz: Claude Code, Codex, Antigravity, Cursor — dowolnego narzędzia do kodowania. Wszyscy agenci dzielą jedno źródło wspomnień, co jest bardzo mocną sprawą.
Mając system kontekstu, możesz zacząć dostosowywać umiejętności, narzędzia i kontekst w profilach, zwanych też botami — to kolejny sposób porządkowania konfiguracji tak, by poszczególne agenty komunikowały się ze sobą. Pojedyncze boty można rozbudowywać; ja na przykład daję agentowi-badaczowi dostęp do większej liczby narzędzi. A gdy cała drużyna jest gotowa, pora ułożyć ją w przepływy pracy, w których komunikują się z podagentami i między sobą — ja wprowadzam tu tablicę Kanban i porządkuję agentów w grafy zdolne do wspólnej pracy.
Zakończenie
Mamy więc lokalny model napędzający agenta Hermes, z wbudowaną pamięcią, która polepsza się z każdym użyciem. Moja playlista zbiera większość ulubionych funkcji, ale jeśli jest coś, co chcielibyście zobaczyć, albo macie pytania — dajcie znać w komentarzach; to mi podpowiada, co nagrywać dalej. Osobiście nie mogę się doczekać porównania klas modeli lokalnych: jak dopasowują się do konkretnych zadań i jaki sprzęt wymagają. W planach jest praca z Obsidianem, bardziej rozbudowane przepływy pamięci oraz różne boty i profile korzystające z tych wszystkich narzędzi — wszystko na lokalnych modelach. Jeśli materiał był pomocny, polub i zasubskrybuj kanał — bardzo to doceniam. Dzięki za oglądanie i do zobaczenia w następnym.